[PDF Generator] Fórmula gráfica com label e tag <list> descartadas no corpo do PDF

[Rossi-Luciano]

Descrição do problema

Dois problemas de perda silenciosa de conteúdo no corpo do PDF gerado, ambos levantados por @pitangainnovare na revisão do PR #1348 (Fase 0 da issue #1347) e deixados fora daquele PR para não bloquear o merge.

1. <disp-formula> gráfica com <label> ainda é descartada (lacuna na Fase 0 da #1347)

O PR #1348 tratou <disp-formula><graphic/></disp-formula> (sem MathML) como figura quando get_text_from_node retorna texto vazio. Mas se a fórmula tiver um <label> (ex.: <disp-formula id="e01"><label>(1)</label><graphic xlink:href="..."/></disp-formula>), get_text_from_node retorna o texto do label ("(1)"), que não é vazio - a condição not para_text nunca aciona o tratamento como figura, o <graphic> é descartado e só o texto "(1)" sobra como parágrafo solto. É o mesmo Modo 1 (perda total de conteúdo) que a Fase 0 da #1347 define, só que num formato de <disp-formula> não coberto por aquele PR.

Local: extract_body_data, em packtools/sps/formats/pdf/pipeline/xml.py (bloco elif child.tag == 'disp-formula':).

Ajuste sugerido na revisão (identificar a fórmula gráfica pela presença de <graphic> sem MathML, em vez de por "texto vazio"):

elif child.tag == 'disp-formula':
    has_graphic = child.find('.//graphic') is not None
    has_math = bool(child.xpath('.//*[local-name()="math"]'))

    if has_graphic and not has_math:
        formula_fig = extract_figure_data(child)
        formula_key = child.get('id') or formula_fig.get('href') or ''
        if not formula_key or formula_key not in seen_fig_keys:
            sec['figures'].append(formula_fig)
            if formula_key:
                seen_fig_keys.add(formula_key)
        continue

    para_text = xml_utils.get_text_from_node(child).strip()
    if para_text:
        sec['paragraphs'].append(para_text)

2. Tag <list> não é tratada no corpo do artigo

O mesmo laço de extract_body_data só reconhece p e disp-formula como filhos diretos de <sec>; qualquer outra tag (incluindo <list>) cai no else: continue e é descartada por completo, com todos os <list-item> que contém. Isso não é específico de fórmula: qualquer <list> (bullet, order ou simple) no corpo é perdida, mesmo sem fórmula nenhuma dentro.

Foi identificado ao inspecionar a5.xml do corpus de teste: mesmo após o PR #1348 corrigir a perda de <disp-formula> irmã de <p>, as Equações 3 a 10 (seção "3.4. Nonlinear regression modeling") continuavam ausentes do PDF, porque estão dentro de <list id="L5" list-type="simple"><list-item><p>...<disp-formula>..., não diretamente em <sec>. O mesmo arquivo também tem duas listas de texto comum (L1, L2, seções 2.2.1/2.2.2) igualmente descartadas.

Passos para reproduzir o problema

1. Gerar o PDF de a5.xml do corpus de teste (layout_examples_rafael/corpus/).
2. Seção "2.2.1" (Treatment Series A): o parágrafo "The treatments included:" aparece, mas a lista <list id="L1"> com a descrição de T1-T4 desaparece.
3. Seção "3.4. Nonlinear regression modeling": o texto cita "Equations 3-10", mas nenhuma das 8 fórmulas (dentro de <list id="L5">) aparece.
4. Para o caso do <label>: montar um <disp-formula id="e01"><label>(1)</label><graphic xlink:href="..."/></disp-formula> como irmão de <p> dentro de <sec> e rodar extract_body_data - o resultado tem "(1)" em paragraphs e nada em figures.

Comportamento esperado

• Uma <disp-formula> com <graphic> deve virar figura independentemente de ter <label> ou não.
• Uma <list> no corpo deve ser renderizada no DOCX/PDF (ex.: parágrafos com marcador/numeração, um por <list-item>), preservando o conteúdo - inclusive quando um <list-item> contém uma <disp-formula>.

Anexos

Amostras do corpus de teste com <list> no corpo (5 de 26): a5.xml (5 ocorrências, inclui o caso de fórmulas dentro de lista), a12.xml (2), a25.xml (1), a27.xml (1), a28.xml (1).

Funções envolvidas: extract_body_data (packtools/sps/formats/pdf/pipeline/xml.py), e o(s) renderer(s) DOCX correspondente(s) em packtools/sps/formats/pdf/renderer/.

Ambiente utilizado

packtools, gerador de PDF (packtools/sps/formats/pdf/), observado ao gerar PDFs do corpus de teste de amostras reais.

Contexto e relação com a #1347

Ambos os pontos foram levantados por @pitangainnovare na revisão do PR #1348, que implementou a Fase 0 da #1347 (parar a perda total de conteúdo de <disp-formula> - Modo 1). O ponto 1 é literalmente um caso de Modo 1 não coberto por aquele PR - continua fazendo parte do escopo da Fase 0, só que não bloqueou o merge por ser um caso de borda específico (label + graphic). O ponto 2 (<list>) é um problema estrutural independente do plano de fórmulas da #1347, mas as duas questões convergem quando uma fórmula está dentro de um <list-item> (caso de a5.xml) - por isso qualquer correção de <list> precisa soltar a mesma lógica de detecção de <disp-formula> gráfica/MathML usada em extract_body_data para o conteúdo de cada <list-item>.

[Rossi-Luciano]

Resolvido pelo PR #1367 (mergeado).